محاسبه پیچیدگی مالی در اقتصاد ایران با رویکرد کولموگروف
محورهای موضوعی : اقتصاد مالی
فاطمه پورعبدالله
1
,
نظام‌الدین مکیان
2
*
,
مهدی حاج امینی
3
1 - گروه اقتصاد، دانشگاه یزد
2 - استاد- دانشکده دانشکده اقتصاد، مدیریت و حسابداری- بخش اقتصاد - دانشگاه یزد
3 - عضو هیات علمی گروه اقتصاد دانشگاه یزد
کلید واژه: پیچیدگی مالی, شبکه مالی, پیچیدگی کولموگروف,
چکیده مقاله :
افزایش دانش بشری و پیشرفت تکنولوژی منجر به افزایش پیچیدگی و درهم‌تنیدگی در همه جوانب زندگی بشر شده است. پیچیدگی مالی به دلایل مختلفی در همه جوامع اقتصادی، افزایش یافته است. بالا بودن پیچیدگی مالی در اقتصاد می‌تواند ناشی از جهانی‌شدن، گستردگی بازارهای مالی، افزایش تعداد مؤسسات مالی، پیشرفت علم و تکنولوژی و حتی افزایش جمعیت باشد. این موضوع علاوه‌بر افزایش سرعت و کارایی در این بخش، چالش‌ها و مشکلاتی را ایجاد نموده است. به همین جهت لازم است شبکه مالی ایران از دیدگاه پیچیدگی مورد بررسی قرار گیرد.
برای بررسی پیچیدگی مالی در اقتصاد ایران، رویکرد پیچیدگی کولموگروف مورد استفاده قرار گرفته است. داده‌های بخش مالی اقتصاد ایران از بانک جهانی در دوره زمانی 2005 تا 2021 جمع‌آوری شده است. در رویکرد پیچیدگی کولموگروف، میزان تصادفی و غیرقابل پیش‌بینی بودن سیستم مالی مورد بررسی قرار می‌گیرد. برای تعیین مقدار عددی پیچیدگی ابتدا ماتریس مجاورت شبکه مالی محاسبه و سپس پیچیدگی موجود در سیستم مالی کشور از لحاظ ارتباط متغیرهای بکار گرفته شده به‌تصویر کشیده می‌شود. سپس مقدار عددی پیچیدگی با روش کولموگروف محاسبه می‌شود. نتایج دلالت بر این دارد که بخش مالی در اقتصاد ایران کاملاً تصادفی و غیر قابل پیش‌بینی عمل می‌کند و دارای پیچیدگی بالا (۴۳/۸) می‌باشد. این به معنای بالا بودن ریسک سیستمی در سیستم مالی کشور است. همچنین، بازار سرمایه در اقتصاد ایران دارای اثربخشی کمتری نسبت به بازار پول و بیمه است. به عبارت دیگر، سیستم مالی ایران بانک محور است، یعنی بانک‌ها و مؤسسات سپرده‌پذیر نقش تعیین‌کننده‌ای در سیستم مالی کشور ایفا می‌کنند.
The development of technology may lead to increased complexity and inter-dependence in all aspects of life. Financial section of any economy can be analyzed in terms of complexity. Despite of increasing the speed and efficiency in this sector as result of complexity, this can create challenges and problems. Hence, it is necessary to analyze complexity in financial network of Iran`s economy.
For investigating the complexity in financial sector for Iran`s economy, Kolmogorov method is applied and the necessary data are obtained from the World Bank by 2005 – 2021. To doing this, at first, the adjacency matrix of the financial network of the Iranian financial system is calculated and, in second step this financial system is drawn in terms of the relationship between the important variables of the finance sector. In Kolmogorov approach, financial complexity is the level of randomness and unpredictability of the financial system. Analyzing the network of the financial system indicates that the finance sector of the economy is highly complex with the numerical value of 8/43. It can be interpreted, there is high systemic risk in the country's financial system. According to calculations, the financial sector in Iran is completely random and unpredictable. Moreover, the capital market in the Iran`s economy has not an effective role in the finance sector of the economy. In other words, the economy of Iran is bank oriented. Among financial institutions, banks and depository institutions play a key role in the economy.
Babus, A. (2016). The formation of financial networks. The RAND Journal of Economics, 47(2), 239-272.
Bayani, A. Mohammadi, T. Bahrami, J. & Tavakolian, H. (2019). The shock effect of factors affecting financial crises in Iran's economy: the time-varying parameter vector auto-regression approach, Economic Modeling Quarterly, 13(2), 45-72, (in Persian).
Chan, S. (2001). Complex adaptive systems, ESD, 83 research seminar in engineering systems, Massachusetts Institute of Technology.
Chenarani, H. Yavari, K. Heydari, H. & Sharifzadeh, M. J. (2022). The effect of banking crises on macroeconomic variables within the DSGE models framework, Quarterly Journal of Applied Economics Studies, Iran (AESI), 12(46), 9-38, (in Persian).
Espinosa- Vega, M. A. & Russell, S. (2020). Interconnectedness, systemic crises, and recessions, Latin American Journal of Central Banking, 1(2020).
Fallahi, S. & Rahmani, T. (2019). Identifying the role of financial shocks in Iran’s economy (using the sign restriction and Bayesian estimation approach), The Journal of Planning and Budgeting, 23(4).3-35, (in Persian).
Hosseinpour, M. kiani, K. Zandi, F. Dehqhani, A. & Saeedi, K. H. (2020). Comparative comparison of the effects of government financial shocks on economic growth in the economy of Iran and selected MENA countries, Applied Economics Quarterly Journal, 10(32), 97-108, (in Persian).
https://databank.WorldBank.org/source/global-financial-development.
King, R. G. & Levine, R. (1993). Financial intermediation and economic development, in financial intermediation in construction of Europe, Idsl Colin Mayer a Xavier, 156-189.
Li, F., Kang, H. & Xu, J. (2022). Financial stability and network complexity: a random matrix approach, International Review of Economics & Finance, 80 (2022), 177-185.
Liao, Y., Zhou, Y., Xu, F. & Shu, X. (2020). A Study on the complexity of a new chaotic financial system, Hindawi Complexity. ID 8821156.
Morzy, M., Kajdanowicz, T. & Kazienko, P. (2017). On measuring the complexity of networks: Kolmogorov complexity versus Entropy, Hindawi Complexity. ID 3250301.
Raddant, M. & Kenett, D.Y. (2016). Interconnectedness in the global financial market, Office of Financial Paper, Working Paper, 16-09.
Salim, Z., Ramdhan, D., Daly, K. (2023). Centrality measures of financial system interconnectedness: a multiple crises study, Heliyon, 9(2023), 1-21.
Sargolzaei, M. & Safaei Ilkhchi, M. (2022). The effect of macroeconomic shocks on the liquidity risk of the banking system: MS-VAR approach, Financial Research Journal, 24(4), 528-576, (in Persian).
Spierdijk, L., Bikker, J. A. & Van Den Hoek, P. (2012). Mean reversion in international stock markets: an empirical analysis of the 20th century, Journal of International Money and Finance, 31(2), 228-249.
Tang, Y. Xiong, J. Jia, Z. Zhang, Y. (2018). Complexities in financial network topological dynamics: modeling of emerging and developed stock markets, COMPLEXITY, 2018, 1-31.